[发明专利]基于部分共享网络和余弦间隔损失函数的行人搜索方法

权利要求书

1.一种基于部分共享网络和余弦间隔损失函数的行人搜索方法，其特征在于，包括以下步骤：

(1)构建神经网络结构，包括行人建议网络和行人重识别网络；所述神经网络结构采用ResNet-50作为基础网络，所述ResNet-50包括卷积层Conv1和四个卷积层组Conv2_x到Conv5_x，其中，每个卷积层组分别有3，4，6和3个残差单元；其中，所述神经网络结构采用多损失函数进行训练，总的损失函数的形式表示为：行人建议网络损失函数+r*行人重识别网络损失函数，其中，r为调节参数，通过对r的调节缓解行人检测和重识别之间的相互干扰；所述行人重识别网络损失函数采用余弦间隔损失函数，表示为：其中，N表示一个训练批次中的有标签样本总数，s为尺度参数，θ_j,i表示第i个样本x_i和有标签类别的行人特征向量v_j的夹角，m为表示引入的余弦间隔，L表示有标签样本的类别总数，Q≈L，ψ_k,i表示第i个样本x_i和无标签类别的行人特征向量u_k的夹角；对有标签类别的行人特征向量v_j的更新方式为：其中，N_t表示一个训练批次中类别为t的样本总数，C_i表示第i个样本x_i作为行人的置信度，μ是一个随着训练周期增大而增大的变量；

(2)将图片输入至所述神经网络结构，所述神经网络结构的Conv1到Conv3_4作为主干网络提取浅层特征图，所述浅层特征图由行人建议网络和行人重识别网络共享；

(3)当所述浅层特征图被提取出来后，会进入两条支路；第一条支路将所述浅层特征图送往复制的卷积网络层组Conv4_1到Conv4_3进行进一步的特征提取，然后被送往行人建议网络中产生多个行人建议框；第二条支路将所述浅层特征图送往兴趣池化层，并将所述行人建议网络得到的行人建议框作为感兴趣的区域，在浅层特征图中池化出每个框对应的行人特征图；

(4)将所述行人特征图输入至由卷积层组Conv4_1到Conv5_3构成的行人重识别网络，输出深层行人特征图，通过全局平均池化层进行池化，最终将每个行人特征图映射为一个a维的行人特征向量。

2.根据权利要求1所述的基于部分共享网络和余弦间隔损失函数的行人搜索方法，其特征在于，所述步骤(1)中的行人建议网络采用Faster R-CNN的结构。

3.根据权利要求1所述的基于部分共享网络和余弦间隔损失函数的行人搜索方法，其特征在于，所述步骤(4)后还包括：使用一个全连接层将a维的行人向量映射到b维的特征子空间中，然后再对b维特征子空间的行人特征进行L2-正则化以防止过拟合。